Изменить форму входного тензора для приложения VGG16

Модель VGG16 сама по себе представляет собой просто набор весов фиксированной последовательности слоев и фиксированных размеров ядра свертки и т. д. Это не означает, что эти ядра свертки нельзя применять к изображениям других размеров.

Например, в вашем случае:

from keras.models import Model
from keras.layers import Dense,Flatten
from keras.applications import vgg16
from keras import backend as K

model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(160,320,3))
model.summary(line_length=150)

flatten = Flatten()
new_layer2 = Dense(10, activation='softmax', name='my_dense_2')

inp2 = model.input
out2 = new_layer2(flatten(model.output))

model2 = Model(inp2, out2)
model2.summary(line_length=150)

Согласно здесь минимальный размер изображения может быть 48x48x3 все, что выше этого, в порядке.

Теперь верно, что исходные веса были изучены на изображениях в форме 224,224,3, но веса фильтров служат очень хорошей отправной точкой для новых задач с новым набором изображений. Вам нужно переобучить сеть, но сеть сойдется очень быстро. Это основа трансферного обучения.

Есть две вещи, которые вам нужно сделать:

1. Явно объявите входную фигуру, чтобы иметь входные данные переменного размера, определив None для ширины и высоты изображения.
2. Не используйте flatten(), так как он зависит от фиксированной входной формы. Вместо этого используйте GlobalMaxPooling, который не только сделает адаптивный пул, но и сгладит входной тензор для работы FC.

Я надеюсь, что это поможет вам достичь того, чего вы хотите.

Вы можете использовать функцию resize() библиотеки Opencv.

 import cv2
    width = int(224)
    height = int(224)
    dim = (width, height)
    '''images contains original dimension image array'''
    resized_images=[]
    for i in range(0,images.shape[0]):
           resized = cv2.resize(images[i], dim, interpolation = cv2.INTER_AREA)
           resized_images.append(resized)